PENDETEKSIAN KANKER SERVIKS DARI CITRA PAPSMEAR MENGGUNAKAN MODEL REGRESI LOGISTIK NONPARAMETRIK ADITIF BERDASARKAN ESTIMATOR POLINOMIAL LOKAL MULTIPREDIKTOR DENGAN PEREDUKSI DIMENSI GENERALIZED EXPLORATORY FACTOR ANALYSIS (GEFA)

• المؤلف الرئيسي: ARINDA PERMATASARI, 081311833045
• التنسيق: Theses and Dissertations NonPeerReviewed
• اللغة: Indonesian; Indonesian
• منشور في: 2017
• الموضوعات: QA273-280 Probabilities. Mathematical statistics; RC0254 Neoplasms. Tumors. Oncology (including Cancer)
• الوصول للمادة أونلاين: http://repository.unair.ac.id/61188/1/KKC%20KK%20ST.S.%2014%20-17%20Per%20p-Abstrak.pdf; http://repository.unair.ac.id/61188/2/KKC%20KK%20ST.S.%2014%20-17%20Per%20p.pdf; http://repository.unair.ac.id/61188/; http://lib.unair.ac.id
• المؤسسة: Universitas Airlangga

Kanker serviks adalah salah satu jenis keganasan atau neoplasma yang lokasinya terletak di daerah serviks. Kanker serviks merupakan salah satu kanker yang paling sering menyerang wanita dan menjadi ancaman berbahaya bagi wanita diseluruh dunia. Salah satu metode deteksi dini yang paling efektif untuk pemeriksaan sel serviks yaitu melalui tes Papanicolau (Papsmear). Penelitian tentang pendeteksian kanker serviks berdasarkan hasil pengolahan citra papsmear sudah banyak dilakukan menggunakan pendekatan matematika dan informatika pada penelitian sebelumnya. Skripsi ini bertujuan untuk mendeteksi kanker serviks dari citra hasil tes papsmear dengan menggunakan pendekatan statistika. Langkah-langkah pendeteksian kanker serviks yang dilakukan yaitu pengolahan citra dengan software MATLAB, pereduksian dimensi dengan metode Generalized Exploratory Factor Analysis, serta pembuatan model dengan pendekatan regresi logistik nonparametrik aditif berdasarkan estimator polinomial lokal. Data yang digunakan dalam skripsi ini sebanyak 15 citra sel normal dan 15 citra sel abnormal untuk membuat model (insample), serta sebanyak 10 citra sel normal dan 10 citra sel abnormal untuk uji validasi (outsample). Hasil estimasi pada data insample diperoleh ketepatan klasifikasi sebesar 100%, sedangkan untuk data outsample diperoleh ketepatan klasifikasi sebesar 85%.